04CASE STUDY小売・EC

非公開企業

レコメンドエンジン刷新で
売上を18%向上

顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。

業種
小売・EC (アパレル)
企業規模
従業員 約350名
支援期間
約6ヶ月
テーマ
データ活用 / 顧客体験向上
01CHALLENGE課題

導入前に
抱えていた課題

既存のレコメンドが購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。

  1. 01

    「一度買った商品と似たもの」ばかりが並び、回遊とクロスセルにつながっていなかった

  2. 02

    新規顧客や新商品に対して有効な推薦を出せず、コールドスタート問題が放置されていた

  3. 03

    施策の効果検証の仕組みがなく、改善の良し悪しを判断できていなかった

この課題に、3つの段階で取り組みました

02APPROACH支援内容

課題の解決に向けて
取り組んだこと

約6ヶ月の支援を、3つの段階で進めました。

  1. 01

    行動ログの再設計と顧客理解の深掘り

    購買だけでなく閲覧・検索・カート投入までを含めた行動ログを整理。セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました。

  2. 02

    文脈を反映したハイブリッド推薦の実装

    協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新。新商品・新規顧客にも推薦を出せるようにしました。

  3. 03

    A/Bテストを前提とした改善サイクルの定着

    配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、施策の効果を数字で判断できる状態へ。改善の意思決定をチームに引き渡しました。

支援領域
  • 顧客行動分析
  • レコメンドエンジン再構築
  • A/Bテスト設計・運用
体制
コンサルタント1名・データサイエンティスト2名・エンジニア2名

この取り組みで、成果につなげました

03RESULTS成果

導入後に
得られた成果

※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。

  1. 01

    18%

    売上の向上

  2. 02

    24%

    レコメンド経由CVRの改善

  3. 03

    11%

    客単価の向上

04DETAILSくわしく

この事例を
くわしく

進め方や効果の測り方など、取り組みの中身をご紹介します。

顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。

この事例のポイント

  • 購買だけでなく、閲覧・検索・カート投入までの行動ログを整理し、セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました

  • 協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成にして、新商品・新規顧客にも推薦を出せるようにしました

  • 配信ロジックを切り替えられる基盤と評価ダッシュボードを整え、施策の効果をA/Bテストの数字で判断できるようにしました

進め方

約6ヶ月の支援を、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で、次の3つの段階で進めました。

  1. 行動ログの再設計と顧客理解:それまでのレコメンドは購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。そこで、閲覧・検索・カート投入までを含めた行動ログを整理し、セッション単位で関心を捉えられるデータ構造に作り直しました。

  2. 文脈を反映したハイブリッド推薦の実装:協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新しました。購買の履歴が少ない新商品や新規顧客にも推薦を出せるようにし、放置されていたコールドスタート問題に対応しました。

  3. A/Bテストを前提とした改善サイクルの定着:配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、改善の意思決定をお客様のチームに引き渡しました。

効果の測り方

レコメンドの改善は、時期やキャンペーンなど、ほかの要因でも売上が動くため、施策の前後を比べるだけでは効果を切り分けにくくなります。この事例では、配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと新しいロジックを比べるA/Bテストで効果を確かめました。

指標確かめていること結果
売上事業全体への効果18%向上
レコメンド経由のCVR推薦した商品が購入につながったか24%改善
客単価関連する商品の買い合わせ(クロスセル)が増えたか11%向上

※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。

評価ダッシュボードで施策の効果を数字で判断できるようにしたことで、次に何を試すかを、お客様のチームで決められる状態になっています。施策を始める前に「何をもって成功とするか」を決めておく考え方は、「生成AIの導入は何から始める?小さく試して全社に広げる5つのステップ」でも解説しています。

関わった事業

この事例は、レコメンドエンジンの再構築と配信の基盤づくりをAIシステム開発で、顧客行動の分析と効果測定・改善の仕組みづくりをAI × マーケティングでご支援しました。

よくある質問

新商品や、初めて訪れたお客様にもレコメンドを出せますか?

この事例では、協調フィルタリングに商品属性ベースの推薦を組み合わせることで、購買の履歴が少ない新商品・新規顧客にも推薦を出せるようにしました。

レコメンドの効果は、どのように確かめましたか?

配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと比べるA/Bテストで確かめました。あわせて評価ダッシュボードを整え、施策の効果を数字で判断できるようにしています。

どのくらいの期間と体制で進めましたか?

支援期間は約6ヶ月で、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で進めました。

導入後の改善は、社内で続けられますか?

この事例では、A/Bテストを前提とした改善サイクルを整え、改善の意思決定をお客様のチームに引き渡しました。次に何を試すかを、お客様のチームで決められる状態になっています。

05VOICEお客様の声

導入を
振り返って

ご担当者さまに伺ったお話です。

推薦の精度が上がっただけでなく、施策を数字で振り返る文化がチームに根づきました。次に何を試すかを自分たちで決められるようになっています。

EC事業部マーケティング責任者
CONTACTご相談

同じような課題を
お持ちではありませんか。

現状の整理からご一緒します。まずはお気軽にご相談ください。